OTEM 2032: \nCatalyzing the Disruption of Transportation Equipment Manufacturing in Ontario
Notice bibliographique
Résumé
Artificial Intelligence (AI) has created uncertainty. This uncertainty of the impact that AI could have on jobs, people, and life as we know it is often met with sensationalized suggestions such as Elon Musk’s assertion that AI is humanity’s biggest threat (Higgins, 2017). However, I believe that AI is a technology and merely a tool; it is not a force of nature. Hence, as a resident of Ontario who works in the manufacturing industry, I asked: \n“What might we expect of the manufacturing activities of Ontario's Transportation Equipment Manufacturers (OTEMs) during the emergence of AI in the next 15 years?” \n I examined this question through a literature survey, scenario planning, and impact analysis. \nI developed a scenario-planning matrix that included the two most critical uncertain drivers surrounding OTEMs’ business activities in Ontario. These drivers were AI’s ability to significantly disrupt the human labour requirement and the outsourcing of manufacturing activities. I explored the relationship between these two drivers and how scenarios could be used to develop resilient strategies. Next steps included using the uncovered parameters in a strategic planning process for OTEMs to develop strategies and create a culture that embraces resilience. \nKey words: AI, manufacturing, automation, Ontario, scenario-planning tool
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,003 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».